目标检测:记录YOLO系列实验的一些发现

1.概述 

在使用YOLO系列模型进行实验时,总会遇到各种各样的问题,比如:如何进行模块改进、如何做对比实验、如何进行计数等......本篇文章就是针对YOLO系列模型进行问题总结,将本人在实验过程中,所遇到的问题以及解决方法进行总结。

2. 问题以及解决总结

1. 在目标检测某些应用领域中,可能会有计数功能,所以会需要计数的一些评价指标,如图1,例如:均方根误差RMSE、平均绝对误差MAE、决定系数R^{2}等评价指标,n为测试图像个数,y_{i}代表第i张图像的真实值个数,\hat{y_{i}}第i张图像的推测值个数。

图1 

YOLOv5:在val.py文件中,如图2中nl代表第i张图像的真实框个数,npr代表第i张图像的预测框个数。根据这两个值,可以计算出计数的评价指标。

图2

YOLOv7:在test.py文件中.....

YOLOv8:在test.py文件中.....

2. 在目标检测实验过程中,两次相同实验结果大概率会有所不同,但是在YOLOv5和YOLOv8中都有随机种子的设置,但是设置之后依旧结果不同(目前不知道出于什么原因),猜测是因为随机种子没有固定住;在YOLOv7中,可以使用固定随机种子,使实验结果保持一致。

YOLOv5和YOLOv8:目前只能多实验几次,查看实验结果。

YOLOv7:在general.py文件中添加set_seed方法.....

3. 在添加注意力机制时,有很多种不同的方式,通过下列三种不同的情况,排列组合会出现很多不同的结果(可能会高,可能会低)

        1. 注意力机制添加的数量

        2. 注意力机制添加的位置

        3. 不同的注意力机制

注意:在我自己实验过程中,发现一些小问题,由于数据集中目标较多,并且在基线模型上效果已经挺高,所以在将注意力机制添加在主干网络与neck部分时,出现了召回率下降,导致准确率提高,最终的精度也稍微有所提高,所以在添加注意力机制时,要先分析自己数据集,如果需要关注某些区域位置的信息,可以尝试将注意力添加在主干网络,否则可以尝试添加在neck等等...... 

4. YOLO网络中的Concat模块,看似是使用torch.concat进行连接;实则并不是。例如:在YOLOv8的task.py中将两个输入进行相加而已,所以并不是像torch.concat那样,增加了通道数,而是更像torch.add一样。(个人理解)
elif m is Concat:
    c2 = sum(ch[x] for x in f)

持续更新......

### Python 中为变量设置默认值的方式 在 Python 中,可以通过多种方式为变量设置默认值。以下是几种常见的情况及其对应的解决方案: #### 函数参数的默认值 当定义函数时,可以直接在函数签名中为参数指定默认值。这种方式非常直观且常用。 ```python def greet(name="World"): print(f"Hello, {name}!") greet() # 输出: Hello, World! greet("Alice") # 输出: Hello, Alice! ``` 这种方法适用于简单的场景,且需要注意,默认值只会在函数定义时计算一次[^1]。 --- #### 类初始化中的默认值 在类的 `__init__` 方法中,可以为实例变量设置默认值。这通常用于简化对象创建过程。 ```python class Person: def __init__(self, name=None, age=0): self.name = name self.age = age person1 = Person() print(person1.name, person1.age) # 输出: None 0 person2 = Person("Bob", 30) print(person2.name, person2.age) # 输出: Bob 30 ``` 这里使用了 `None` 和 `0` 作为默认值,表示未提供具体值时的行为[^2]。 --- #### 实例变量的默认值 对于实例变量,也可以通过两种主要方式进行默认值赋值:一种是在 `__init__` 方法中显式赋值;另一种是延迟赋值,在首次访问时动态生成。 ##### 显式赋值 ```python class Config: def __init__(self): self.debug_mode = False # 默认关闭调试模式 config = Config() print(config.debug_mode) # 输出: False ``` ##### 延迟赋值(使用 `@property`) 如果希望在第一次访问时才生成默认值,则可以利用 `@property` 装饰器。 ```python class DatabaseConnection: def __init__(self): self._connection = None @property def connection(self): if self._connection is None: self._connection = "Default Connection" return self._connection db = DatabaseConnection() print(db.connection) # 输出: Default Connection ``` 这种设计适合那些需要惰性加载资源的场景[^3]。 --- #### 使用字典或其他复杂数据结构的默认值 如果涉及复杂的默认值(如列表或字典),应特别注意避免共享状态的问题。推荐的做法是每次调用时重新生成一个新的对象。 错误示范: ```python def add_item(item, items=[]): # 错误:items 是全局共享的 items.append(item) return items print(add_item(1)) # 输出: [1] print(add_item(2)) # 输出: [1, 2] (意外行为) ``` 正确做法: ```python def add_item(item, items=None): if items is None: items = [] items.append(item) return items print(add_item(1)) # 输出: [1] print(add_item(2)) # 输出: [2] ``` 上述代码确保每次调用时都有独立的默认值[^4]。 --- ### 总结 Python 提供了灵活的方式来为变量设置默认值,无论是简单类型的常量还是复杂的数据结构。但在处理可变对象(如列表、字典)时需格外小心,以免因共享状态引发潜在问题。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值